CN117725478A - 一种基于消防联动的电缆保护预测管理系统及方法 - Google Patents
一种基于消防联动的电缆保护预测管理系统及方法 Download PDFInfo
- Publication number
- CN117725478A CN117725478A CN202311687024.4A CN202311687024A CN117725478A CN 117725478 A CN117725478 A CN 117725478A CN 202311687024 A CN202311687024 A CN 202311687024A CN 117725478 A CN117725478 A CN 117725478A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- fire
- current
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000006116 polymerization reaction Methods 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 10
- 241000894007 species Species 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 208000025174 PANDAS Diseases 0.000 claims description 5
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 5
- 235000016496 Panda oleosa Nutrition 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims 1
- 240000004718 Panda Species 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 108010014172 Factor V Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明公开了一种基于消防联动的电缆保护预测管理系统及方法,属于智能安防领域,该系统包括传感器模块、数据采集与处理模块、预测分析模块、消防联动模块、控制执行模块和监控模块,所述传感器模块负责收集电缆系统的电流和温度参数;所述数据采集与处理模块负责接收并处理传感器模块收集到的数据,对采集到的数据进行数据清洗和存储;所述消防联动模块与消防系统集成,接收消防信号并做出相应的保护措施;所述控制执行模块根据预测分析模块输出的结果,自动实施保护措施;所述监控模块提供一个实时监控界面,让操作人员实时查看电缆状态进行远程监控和分析;确保及时采取必要的行动来维护电缆系统的安全性和稳定性。
Description
技术领域
本发明涉及智能安防领域,具体是一种基于消防联动的电缆保护预测管理系统及方法。
背景技术
随着现代电缆系统在各种工业和商业应用中的普及,对电缆系统的安全性和可靠性要求不断提高,然而,现有的电缆保护系统通常仅仅提供实时监测。在这个背景下,本发明提出了一种基于消防联动的电缆保护预测管理系统,旨在提高对电缆潜在故障进行预测和主动防范的能力。
传统电缆保护系统在处理大量传感器生成的数据方面存在挑战,缺乏有效的方法对数据进行处理、分析和转化成可操作的信息,而且目前的电缆系统主要集中在实时监测和报警,未能提供足够的预测能力,无法在故障发生前采取措施。
因此,当前电缆保护预测管理需要更先进、集成的系统来解决这些问题,而本发明基于消防联动的电缆保护预测管理系统旨在提供全新的、更高效的解决方案。
发明内容
本发明的目的在于:提供一种基于消防联动的电缆保护预测管理系统方案,以解决上述背景技术中提出的问题。
为了实现上述目的,本发明采用了以下技术方案:一种基于消防联动的电缆保护预测管理系统,该系统包括传感器模块、数据采集与处理模块、预测分析模块、消防联动模块、控制执行模块和监控模块;
所述传感器模块负责收集电缆系统的电流和温度参数,并将收集到的参数数据传输至数据采集与处理模块;所述数据采集与处理模块负责接收并处理传感器模块收集到的数据,并对采集到的数据进行数据清洗和存储,将处理后的数据传输至预测分析模块、监控模块以及控制执行模块;所述预测分析模块利用处理后的数据进行分析与建模、执行故障或安全性预测,同时与消防联动模块、监控模块以及控制执行模块进行信息交互;所述消防联动模块与消防系统连接,接收预测分析模块发来的消防信号并隔离受影响区域或降低电缆负载;所述控制执行模块接收预测分析模块、消防联动模块发出的指令,根据预测分析模块输出的结果,自动化执行切断或启动备用设备;所述监控模块提供可视化界面,接收来自数据采集与处理模块、预测分析模块的数据或信息,让操作人员实时查看电缆状态、预测结果和联动保护措施执行情况。
所述传感器模块包含温度传感器和电流传感器;
所述温度传感器负责检测电缆温度变化,识别电缆过热的情况;所述电流传感器负责实时监测电缆系统的电流水平,帮助识别电流异常或波动情况;
所述数据采集与处理模块包含数据采集子模块和数据处理子模块;
所述数据采集子模块从传感器模块获取数据;所述数据处理子模块负责对采集到的数据进行数据清洗和存储,去除异常值和不准确的数据。
所述预测分析模块包含预测输出与可视化子模块和实时反馈子模块;
所述预测输出与可视化子模块将预测结果输出并可视化,以图形或报告的形式呈现预测结果;所述实时反馈子模块根据预测结果提供针对性的反馈或建议,以支持系统操作者采取相应行动。
所述消防联动模块包含消防系统集成子模块和紧急控制触发子模块;
所述消防系统集成子模块负责收集和整合不同消防系统设备中的数据,将数据汇总到集中的平台或接口,实现信息共享和联动响应;
所述紧急控制触发子模块负责监测系统中火灾报警或电缆故障,并启动消防设备或切断电力供应。
所述控制执行模块包括决策执行子模块和联动调控子模块;
所述决策执行子模块根据预测输出结果,进行决策或触发执行相应的保护措施或安全机制;
所述联动调控子模块与消防系统进行联动,实施相应的控制行动。
所述监控模块负责持续实时监测电缆系统运行状态,并从不同传感器和监测设备中收集电流和温度参数,同时向检修人员发送预警信息,提示可能发生的故障风险。
在步骤S2中,所述对监测到的数据进行数据清洗和存储采用一种自适应流数据分段与特征提取算法,首先设定所测电流和温度的阈值范围为:Imin<I<Imax,Tmin<T<Tmax,对每个测量数据点进行检查,然后进行异常值识别,将不在阈值范围内的数据标记为异常值,并使用阈值边界值对监测到的异常数据进行替换处理:
I异=min(Imax,max(Imin,I));
T异=min(Tmax,max(Tmax,T));
然后使用基于自相关系数的流数据分段算法对监测数据进行分段处理:
定义一个动态调整的窗口w,其大小为n个数据点,其中n是一个根据数据流的变化而动态调整的参数,初始值为1,将w从数据流的开始位置滑动到结束位置,每次滑动一个数据点,对于每个窗口w,计算其内部的数据点的自相关系数,即:
其中,xi是w中的第i个数据点,xi+1是w中第i+1个数据点,i=1,2,3,…,n,是w中的所有数据点的平均值;
如果ρ(w)小于预设阈值α,则认为w内部的数据点具有较弱的相关性,需要进行分段,即在w的末尾位置插入一个分段点,并将n重置为1进行下一次分段;如果ρ(w)大于或等于α,则认为w内部的数据点具有较强的相关性,不需要进行分段,即继续滑动w,并将n增加1,以扩大窗口w的大小。
然后从每个数据段中提取特征,包括聚合标准β、变化因子η和数据倾向值δ;
其中σ是数据段的标准差,对于每个数据段,使用一个特征向量来表示其特征信息,即:
f=[β,η,δ]
对于每个数据流,使用一个特征矩阵来表示其特征信息,即:
F=[f1,f2,...,fm]T;
其中,m是数据流的分段数,fi是第i个数据段的特征向量,i=1,2,3,…,m,最后将特征信息数据传输到云数据仓库进行储存。
在步骤S3中,所述利用处理后的数据建立预测模型,利用特征向量作为输入数据,建立预测模型,获取到电流和温度的异常状态:
首先,将特征向量和异常状态组成一个数据集,一段阈值范围对应一个电缆状态特征:
获取到某一电流数据段特征向量f=[IJ,If,Ip]中,如果电流聚合标准IJ∈[a,b]且电流变化因子If∈[c,d]且电流数据倾向值Ip∈[g,h],则表示正常状态,若不满足以上条件中的一个则表示电缆短路或漏电状态;
获取到某一温度数据段特征向量f=[TJ,Tf,Tp]中,如果温度聚合标准TJ∈[e,s]且温度变化因子Tf∈[o,p]且温度数据倾向值Tp∈[q,r],则表示正常状态,如果不属于则属于电缆温度过热状态;
其中[a,b]表示电流聚合标准的取值范围,即电流聚合标准最小为a,最大为b;[c,d]表示电流变化因子的取值范围,即电流变化因子最小为c,最大为d;[g,h]表示电流数据倾向值的取值范围,即电流数据倾向值最小为g,最大为h;[e,s]表示温度聚合标准的取值范围,即温度聚合标准最小为e,最大为s;[o,p]表示温度变化因子的取值范围,即温度变化因子最小为o,最大为p;[q,r]表示温度数据倾向值的取值范围,即温度数据倾向值最小为q,最大为r;
然后使用Scikit-learn通过数据集来训练预测模型:使用一个csv文件来存储数据集,然后使用pandas库的read_csv函数来读取数据,从数据集中提取特征和标签,其中特征是用于预测的输入变量,标签是用于预测的输出变量,使用LogisticRegression类来创建一个逻辑回归的模型,接受特征和标签作为输入变量和输出变量,使用fit方法来训练模型,使用predict方法来预测数据,接受特征作为输入,然后返回预测的标签来对获取到的电流和温度数据进行状态监测;
其中Scikit-learn是一个用于机器学习的Python库,提供了多种机器学习算法和工具,包括分类、回归、聚类、降维等。它被广泛应用于数据挖掘和数据分析领域。
pandas库是Python中用于数据处理和分析的库。其中的read_csv函数用于从CSV文件中读取数据并将其转换为DataFrame,即数据表格的格式,便于进行数据处理和分析。
LogisticRegression类是Scikit-learn库中用于执行逻辑回归的类。逻辑回归是一种用于解决分类问题的统计学习方法,它尝试根据给定的输入特征预测输入数据的类别。
fit方法是Scikit-learn中用于训练模型的方法。它接受特征和标签作为输入,并根据这些数据调整模型的参数,使模型能够最好地拟合给定的数据。
predict方法是Scikit-learn中用于使用训练好的模型进行预测的方法。给定输入特征,该方法可以预测出相应的输出标签或值,即根据已训练的模型对新数据进行分类或回归预测。
与现有技术相比,本发明所达到的有益效果是:
提供了能够对电缆系统进行预测分析的能力,可以基于数据趋势和模式,提前识别潜在故障,并在故障发生之前采取必要的预防措施。
通过先进的数据处理和分析技术,本发明有助于有效处理大量传感器生成的数据,将其转化为可操作的信息,为决策提供更为可靠的依据。
该系统不仅能实时监测电缆状态,还具备主动联动控制机制,在故障预测阶段能够自动采取措施,减少潜在风险并保障系统稳定运行。
通过全面的系统管理和监控,本发明有助于提高协同工作能力,改善设计、测试和实施过程,从而提高电缆系统整体的安全性和可靠性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于消防联动的电缆预测管理系统模块组成示意图;
图2是本发明一种基于消防联动的电缆预测管理方法步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1-图2,本发明提供技术方案:
一种基于消防联动的电缆保护预测管理系统,该系统包括传感器模块、数据采集与处理模块、预测分析模块、消防联动模块、控制执行模块和监控模块;
传感器模块负责收集电缆系统的电流和温度参数,并将收集到的参数数据传输至数据采集与处理模块;数据采集与处理模块负责接收并处理传感器模块收集到的数据,并对采集到的数据进行数据清洗和存储,将处理后的数据传输至预测分析模块、监控模块以及控制执行模块;预测分析模块利用处理后的数据进行分析与建模、执行故障或安全性预测,同时与消防联动模块、监控模块以及控制执行模块进行信息交互;消防联动模块与消防系统连接,接收预测分析模块发来的消防信号并隔离受影响区域或降低电缆负载;控制执行模块接收预测分析模块、消防联动模块发出的指令,根据预测分析模块输出的结果,自动化执行切断或启动备用设备;监控模块提供可视化界面,接收来自数据采集与处理模块、预测分析模块的数据或信息,让操作人员实时查看电缆状态、预测结果和联动保护措施执行情况。
传感器模块包含温度传感器和电流传感器;
温度传感器负责检测电缆温度变化,识别电缆过热的情况;电流传感器负责实时监测电缆系统的电流水平,帮助识别电流异常或波动情况;
数据采集与处理模块包含数据采集子模块和数据处理子模块;
数据采集子模块从传感器模块获取数据;数据处理子模块负责对采集到的数据进行数据清洗和存储,去除异常值和不准确的数据。
预测分析模块包含预测输出与可视化子模块和实时反馈子模块;
预测输出与可视化子模块将预测结果输出并可视化,以图形或报告的形式呈现预测结果;实时反馈子模块根据预测结果提供针对性的反馈或建议,以支持系统操作者采取相应行动。
消防联动模块包含消防系统集成子模块和紧急控制触发子模块;
消防系统集成子模块负责收集和整合不同消防系统设备中的数据,将数据汇总到集中的平台或接口,实现信息共享和联动响应;
紧急控制触发子模块负责监测系统中火灾报警或电缆故障,并启动消防设备或切断电力供应。
控制执行模块包括决策执行子模块和联动调控子模块;
决策执行子模块根据预测输出结果,进行决策或触发执行相应的保护措施或安全机制;
联动调控子模块与消防系统进行联动,实施相应的控制行动。
监控模块负责持续实时监测电缆系统运行状态,并从不同传感器和监测设备中收集电流和温度参数,同时向检修人员发送预警信息,提示可能发生的故障风险。
在步骤S2中,对监测到的数据进行数据清洗和存储采用一种自适应流数据分段与特征提取算法,首先设定所测电流和温度的阈值范围为:Imin<I<Imax,Tmin<T<Tmax,对每个测量数据点进行检查,然后进行异常值识别,将不在阈值范围内的数据标记为异常值,并使用阈值边界值对监测到的异常数据进行替换处理:
I异=min(Imax,max(Imin,I));
T异=min(Tmax,max(Tmax,T));
然后使用基于自相关系数的流数据分段算法对监测数据进行分段处理:
定义一个动态调整的窗口w,其大小为n个数据点,其中n是一个根据数据流的变化而动态调整的参数,初始值为1,将w从数据流的开始位置滑动到结束位置,每次滑动一个数据点,对于每个窗口w,计算其内部的数据点的自相关系数,即:
其中,xi是w中的第i个数据点,xi+1是w中第i+1个数据点,i=1,2,3,…,n,x是w中的所有数据点的平均值;
如果ρ(w)小于预设阈值α,则认为w内部的数据点具有较弱的相关性,需要进行分段,即在w的末尾位置插入一个分段点,并将n重置为1进行下一次分段;如果ρ(w)大于或等于α,则认为w内部的数据点具有较强的相关性,不需要进行分段,即继续滑动w,并将n增加1,以扩大窗口w的大小。
然后从每个数据段中提取特征,包括聚合标准β、变化因子η和数据倾向值δ;
其中σ是数据段的标准差,对于每个数据段,使用一个特征向量来表示其特征信息,即:
f=[β,η,δ]
对于每个数据流,使用一个特征矩阵来表示其特征信息,即:
F=[f1,f2,...,fm]T;
其中,m是数据流的分段数,fi是第i个数据段的特征向量,i=1,2,3,…,m,最后将特征信息数据传输到云数据仓库进行储存。
在步骤S3中,利用处理后的数据建立预测模型,利用特征向量作为输入数据,建立预测模型,获取到电流和温度的异常状态:
首先,将特征向量和异常状态组成一个数据集,一段阈值范围对应一个电缆状态特征:
获取到某一电流数据段特征向量f=[VJ,Vf,Vp]中,如果电流聚合标准VJ∈[a,b]且电流变化因子Vf∈[c,d]且电流数据倾向值Vp∈[e,f],则表示正常状态,若不满足以上条件中的一个则表示电缆短路或漏电状态;
获取到某一温度数据段特征向量f=[TJ,Tf,Tp]中,如果温度聚合标准VJ∈[m,n]且温度变化因子Vf∈[o,p]且温度数据倾向值Vp∈[q,r],则表示正常状态,如果不满足以上条件中的一个则属于电缆温度过热状态;
然后使用Scikit-learn通过数据集来训练预测模型:使用一个csv文件来存储数据集,然后使用pandas库的read_csv函数来读取数据,从数据集中提取特征和标签,其中特征是用于预测的输入变量,标签是用于预测的输出变量,使用LogisticRegression类来创建一个逻辑回归的模型,接受特征和标签作为输入变量和输出变量,使用fit方法来训练模型,使用predict方法来预测数据,接受特征作为输入,然后返回预测的标签来对获取到的电流和温度数据进行状态监测。
实施例一:
假设有一个电流数据流,包含10个数据点,如下所示:
V=[0.8,0.9,1.0,1.1,1.2,1.3,1.4,0.5,0.6,0.7]
设定电流的阈值范围为0.7<V<1.5,对每个数据点进行检查,发现第8个数据0.5不在阈值范围内,是一个异常值,用阈值边界值0.7来替换它,得到处理后的数据流:
V=[0.8,0.9,1.0,1.1,1.2,1.3,1.4,0.7,0.6,0.7]
然后使用基于自相关系数的流数据分段算法对数据流进行分段处理,设定自相关系数的阈值α为0.8,初始窗口大小n为1,从数据流的开始位置滑动窗口,计算每个窗口内的自相关系数如下所示:
w=[0.8],ρ(w)=1,大于α,不分段,n=2
w=[0.8,0.9],ρ(w)=1,大于α,不分段,n=3
w=[0.8,0.9,1.0],ρ(w)=1,大于α,不分段,n=4
w=[0.8,0.9,1.0,1.1],ρ(w)=1,大于α,不分段,n=5
w=[0.8,0.9,1.0,1.1,1.2],ρ(w)=1,大于α,不分段,n=6
w=[0.8,0.9,1.0,1.1,1.2,1.3],ρ(w)=1,大于α,不分段,n=7
w=[0.8,0.9,1.0,1.1,1.2,1.3,1.4],ρ(w)=1,大于α,不分段,n=8
w=[0.8,0.9,1.0,1.1,1.2,1.3,1.4,0.7],ρ(w)=-0.25,小于α,分段,
n=1
w=[0.6],ρ(w)=1,大于α,不分段,n=2
w=[0.6,0.7],ρ(w)=1,大于α,不分段,n=3
最终得到两个数据段,分别是:
V_1=[0.8,0.9,1.0,1.1,1.2,1.3,1.4]
V_2=[0.7,0.6,0.7]
然后从每个数据段中提取特征,包括聚合标准β、变化因子η和数据倾向值δ;
其中σ是数据段的标准差,对于第一个数据段得出β1=1.1,η1=0.04,δ1=0;对于第二个数据段,得出β2=0.67,η2=0.01,δ2=0;所以特征向量f1=[1.1,0.04,0],f2=[0.67,0.01,0],最后我们用一个特征矩阵来表示数据流的特征信息,即:
F=[[1.1,0.04,0],[0.67,0.01,0]]
获取电流聚合标准IJ∈[0.8,1.5],电流变化因子If∈[0.01,0.04],电流数据倾向值Ip∈[0,1],可得特征向量f1表示电缆正常状态,f2表示电缆短路状态,然后使用Scikit-learn通过数据集来训练预测模型:使用csv文件来存储数据,通过Scikit-learn库的read_csv函数来读取数据,从数据集中提取特征和标签,特征是用于预测的输入变量,标签是用于预测的输出变量,最后使用scikit-learn库的DecisionTreeClassifier类创建基于决策树的模型来对获取到的电流和温度数据进行状态监测;
和温度数据进行状态监测;
其中Scikit-learn是一个用于机器学习的Python库,提供了多种机器学习算法和工具,包括分类、回归、聚类、降维等。它被广泛应用于数据挖掘和数据分析领域。
pandas库是Python中用于数据处理和分析的库。其中的read_csv函数用于从CSV文件中读取数据并将其转换为DataFrame,即数据表格的格式,便于进行数据处理和分析。
LogisticRegression类是Scikit-learn库中用于执行逻辑回归的类。逻辑回归是一种用于解决分类问题的统计学习方法,它尝试根据给定的输入特征预测输入数据的类别。
fit方法是Scikit-learn中用于训练模型的方法。它接受特征和标签作为输入,并根据这些数据调整模型的参数,使模型能够最好地拟合给定的数据。
predict方法是Scikit-learn中用于使用训练好的模型进行预测的方法。给定输入特征,该方法可以预测出相应的输出标签或值,即根据已训练的模型对新数据进行分类或回归预测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例中所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于消防联动的电缆保护预测管理系统,其特征在于:包括传感器模块、数据采集与处理模块、预测分析模块、消防联动模块、控制执行模块和监控模块;
所述传感器模块负责收集电缆系统的电流和温度参数,并将收集到的参数数据传输至数据采集与处理模块;所述数据采集与处理模块负责接收并处理传感器模块收集到的数据,对采集到的数据进行数据清洗和存储,然后将处理后的数据传输至预测分析模块、监控模块以及控制执行模块;所述预测分析模块利用处理后的数据进行分析与建模、执行故障分析并对电缆电流和温度状态进行安全性评估,同时与消防联动模块、监控模块以及控制执行模块进行信息交互;所述消防联动模块与消防系统连接,接收预测分析模块发来的消防信号并隔离受影响区域或降低电缆负载;所述控制执行模块接收预测分析模块、消防联动模块发出的指令,根据预测分析模块输出的结果,自动化执行切断或启动备用设备;所述监控模块提供可视化界面,接收来自数据采集与处理模块、预测分析模块的数据或信息,让操作人员实时查看电缆状态、预测结果和联动保护措施执行情况。
2.根据权利要求1所述的一种基于消防联动的电缆保护预测管理系统,其特征在于:所述传感器模块包括电流传感器和温度传感器;
所述电流传感器负责实时监测电缆系统的电流强度,帮助识别电流异常或波动情况;所述温度传感器负责检测电缆温度变化,识别电缆过热的情况。
3.根据权利要求1所述的一种基于消防联动的电缆保护预测管理系统,其特征在于:所述数据采集与处理模块包含数据采集子模块和数据处理子模块;
所述数据采集子模块从传感器模块获取数据;所述数据处理子模块负责对采集到的数据进行数据清洗和存储,去除异常值和不准确的数据。
4.根据权利要求1所述的一种基于消防联动的电缆保护预测管理系统,其特征在于:所述预测分析模块包含预测输出与可视化子模块和实时反馈子模块;
所述预测输出与可视化子模块将预测结果输出并可视化,以图形或报告的形式呈现预测结果;所述实时反馈子模块根据预测结果提供针对性的反馈或建议,以支持系统操作者采取相应行动。
5.根据权利要求1所述的一种基于消防联动的电缆保护预测管理系统,其特征在于:所述消防联动模块包含消防系统集成子模块和紧急控制触发子模块;
所述消防系统集成子模块负责收集和整合不同消防系统设备中的数据,将数据汇总到集中的平台或接口,实现信息共享和联动响应;
所述紧急控制触发子模块负责监测系统中火灾报警或电缆故障,并启动消防设备或切断电力供应。
6.根据权利要求1所述的一种基于消防联动的电缆保护预测管理系统,其特征在于:所述控制执行模块包括决策执行子模块和联动调控子模块;
所述决策执行子模块根据预测输出结果,进行决策或触发执行相应的保护措施或安全机制;
所述联动调控子模块与消防系统进行联动,自动向消防系统发送预警信号,实施相应的控制行动。
7.根据权利要求1所述的一种基于消防联动的电缆保护预测管理系统,其特征在于:所述监控模块负责实时监测电缆系统运行状态,并从不同传感器和监测设备中收集电流和温度参数,同时向检修人员发送预警信息,提示可能发生的故障风险。
8.一种基于消防联动的电缆保护预测管理方法,其特征在于,所述基于消防联动的电缆保护预测管理方法包括以下步骤:
S1、实时监测电缆系统电流和温度参数;
S2、对监测到的参数数据进行数据清洗和存储;
S3、利用处理后的数据建立预测模型并输出结果;
S4、响应预测分析的输出结果,执行与消防系统相关的联动控制措施;
S5、根据消防联动发出的指令,自动化执行切断电源或启动备用设备;
S6、实时监控系统状态,显示预测结果、警报信息。
9.根据权利要求8所述的一种基于消防联动的电缆保护预测管理方法,其特征在于:在步骤S2中,所述对监测到的参数数据进行数据清洗和存储采用一种自适应流数据分段与特征提取算法,首先设定所测电流和温度的阈值范围为:Imin<I<Imax,Tmin<T<Tmax,对每个测量数据点进行检查,然后进行异常值识别,将不在阈值范围内的数据标记为异常值,并使用阈值边界值对监测到的异常数据进行替换处理:
I异=min(Imax,max(Imin,I));
T异=min(Tmax,max(Tmin,T));
其中I表示被实时监测的电流数值,T表示被实时监测的温度数值,Imax表示设定的电流阈值的上限,Imin表示设定的电流阈值的下限,Tmax表示设定的温度阈值的上限,Tmin设定的温度阈值的下限,I异表示替换后的电流异常值,T异表示替换后的温度异常值。
然后使用基于自相关系数的流数据分段算法对监测数据进行分段处理:
定义一个动态调整的窗口w,其大小为n个数据点,其中n是一个根据数据流的变化而动态调整的参数,初始值为1,将w从数据流的开始位置滑动到结束位置,每次滑动一个数据点,对于每个窗口w,计算其内部的数据点的自相关系数ρ(w):
其中,xi是w中的第i个数据点,xi+1是w中第i+1个数据点,i=1,2,3,…,n,是w中的所有数据点的平均值;
如果ρ(w)小于预设阈值α,则认为w内部的数据点具有弱相关性,需要进行分段,即在w的末尾位置插入一个分段点,并将n重置为1进行下一次分段;如果ρ(w)大于或等于α,则认为w内部的数据点具有强相关性,不需要进行分段,即继续滑动w,并将n增加1,以扩大窗口w的大小;
然后从每个数据段中提取特征,包括聚合标准β、变化因子η和数据倾向值δ;
其中σ是数据段的标准差,对于每个数据段,使用一个特征向量来表示其特征信息,即:
f=[β,η,δ]
对于每个数据流,使用一个特征矩阵来表示其特征信息,即:
F=[f1,f2,...,fm]T;
其中,m是数据流的分段数,fi是第i个数据段的特征向量,i=1,2,3,…,m,最后将特征信息数据上传至云端托管的存储系统中进行存储和管理。
10.根据权利要求8所述的一种基于消防联动的电缆保护预测管理方法,其特征在于:在步骤S3中,所述利用处理后的数据建立预测模型,利用特征向量作为输入数据,建立预测模型,来获取电缆系统中电流和温度的异常状态:
首先,将特征向量和异常状态组成一个数据集,一段阈值范围对应一个电缆状态特征:
获取到某一电流数据段特征向量f=[IJ,If,Ip]中,如果电流聚合标准IJ∈[a,b]且电流变化因子If∈[c,d]且电流数据倾向值Ip∈[g,h],则表示正常状态,若不满足以上条件中的任意一个则表示电缆短路或漏电状态;
获取到某一温度数据段特征向量f=[TJ,Tf,Tp]中,如果温度聚合标准TJ∈[e,s]且温度变化因子Tf∈[o,p]且温度数据倾向值Tp∈[q,r],则表示正常状态,若不满足以上条件中的任意一个则表示电缆温度过热状态;
其中[a,b]表示电流聚合标准的取值范围,即电流聚合标准最小为a,最大为b;[c,d]表示电流变化因子的取值范围,即电流变化因子最小为c,最大为d;[g,h]表示电流数据倾向值的取值范围,即电流数据倾向值最小为g,最大为h;[e,s]表示温度聚合标准的取值范围,即温度聚合标准最小为e,最大为s;[o,p]表示温度变化因子的取值范围,即温度变化因子最小为o,最大为p;[q,r]表示温度数据倾向值的取值范围,即温度数据倾向值最小为q,最大为r;
然后使用Scikit-learn通过数据集来训练预测模型:使用一个csv文件来存储数据集,然后使用pandas库的read_csv函数来读取数据,从数据集中提取特征和标签,其中特征是用于预测的输入变量,标签是用于预测的输出变量,使用LogisticRegression类来创建一个逻辑回归的模型,接受特征和标签作为输入变量和输出变量,使用fit方法来训练模型,使用predict方法来预测数据,接受特征作为输入,然后返回预测的标签来对获取到的电缆电流和温度数据进行状态监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687024.4A CN117725478A (zh) | 2023-12-11 | 2023-12-11 | 一种基于消防联动的电缆保护预测管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687024.4A CN117725478A (zh) | 2023-12-11 | 2023-12-11 | 一种基于消防联动的电缆保护预测管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117725478A true CN117725478A (zh) | 2024-03-19 |
Family
ID=90199137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311687024.4A Pending CN117725478A (zh) | 2023-12-11 | 2023-12-11 | 一种基于消防联动的电缆保护预测管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725478A (zh) |
-
2023
- 2023-12-11 CN CN202311687024.4A patent/CN117725478A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
BR112021013786A2 (pt) | Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento | |
CN110910615B (zh) | 一种楼宇火警报警分类方法及系统 | |
CN112462734B (zh) | 一种工业生产设备故障预测分析方法及模型 | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN106652393B (zh) | 假警报确定方法及装置 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
KR20190135923A (ko) | 설비 관리 방법 및 이를 실행하는 장치 | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN117725478A (zh) | 一种基于消防联动的电缆保护预测管理系统及方法 | |
CN116385925A (zh) | 一种生产现场智慧安全管理方法及系统 | |
CN110007171A (zh) | 变压器在线监测数据误报警的筛查方法及系统 | |
CN113361855A (zh) | 一种短中长期风险的告警方法及装置 | |
CN113778044A (zh) | 一种火电厂送风机系统监控方法及装置 | |
CN116192612B (zh) | 一种基于日志分析的系统故障监测和预警系统及方法 | |
CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
Liao et al. | Machine anomaly detection and diagnosis incorporating operational data applied to feed axis health monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |